Mall för karriärstege

Mall för karriärstege för dataanalytiker

Fem nivåer från junior till Principal, sju kompetenser från att formulera frågor till att förändra beslut.

Gratisplan · Inget kreditkort behövs

Den här karriärstegen är skriven för företag med ungefär 20–200 anställda där analytikerna sitter nära verksamheten: en handfull analytiker, ibland bara en, svarar på frågor från produkt, marknad, sälj och ledning, ofta i en datastack som de också är med och bygger. Den beskriver fem nivåer, från någon som lär sig att skriva pålitliga SQL-frågor till någon som bestämmer hur hela företaget mäter sig självt. Den högsta nivån, Principal dataanalytiker, är en specialistnivå; att leda analysteamet är ett separat jobb.

Varje nivå definieras av vad en analytiker gör och hur långt arbetet når, inte av vilka verktyg hen kan eller antal år i yrket. Läs en rad i kompetensmatrisen från vänster till höger för att se en förväntan växa; läs avsnittet för en nivå för att se allt som förväntas på den nivån. Använd den för att förklara vad nästa nivå innebär, för att genomföra självskattningar och avstämningar och för att göra underlag för befordran jämförbara.

Anpassa den innan du publicerar den. Byt ut de allmänna formuleringarna mot din egen datastack och dina egna mätetal, stryk de nivåer du inte behöver än och bestäm var analytics engineering slutar och analysen börjar i ditt företag.

Nivåerna i korthet

Junior dataanalytiker
Besvarar väl avgränsade frågeställningar med pålitliga SQL-frågor och tydliga diagram, granskad av en mer erfaren analytiker.
Omfattning
Enskilda förfrågningar och återkommande rapporter för ett team, oftast avgränsade av någon annan.
Dataanalytiker
Äger analyser från början till slut, från en vag fråga till en rekommendation, och är den självklara analytikern för ett område.
Omfattning
Ett verksamhetsområde, som onboarding, prissättning eller säljtratten, med dess dashboards och återkommande frågor.
Senior dataanalytiker
Leder analyserna bakom viktiga beslut och höjer kvaliteten på analysarbetet runt sig.
Omfattning
Flera verksamhetsområden eller ett stort initiativ i företaget, och de definitioner av mätetal som de bygger på.
Lead dataanalytiker
Formar hur företaget använder data i olika funktioner och sätter de standarder som andra analytiker arbetar efter.
Omfattning
Analys i flera funktioner, inklusive gemensamma mätetal, datamodeller och analysens roadmap.
Principal dataanalytiker
Bestämmer hur företaget mäter sig självt och ansvarar för att ledningen kan lita på dess siffror.
Omfattning
Företagets viktigaste mätetal, dess förhållningssätt till experiment och analysstrategin för de närmaste åren.

Kompetensmatris

Varje rad är en kompetens och varje kolumn en nivå. Läs en rad från vänster till höger för att se hur förväntningarna växer.

Vad varje kompetens innebär

Problemformulering: Att göra om en intressents fråga till en som data kan besvara och som ett beslut kan följa av.
Datauttag och datamodellering: Att få ut korrekta data ur datalagret och forma dem så att andra kan återanvända dem.
Statistisk stringens och experiment: Att dra slutsatser som håller, och veta hur säkert företaget kan vara på dem.
Datakvalitet och definitioner av mätetal: Att se till att siffrorna stämmer, betyder samma sak överallt och går att lita på.
Att kommunicera insikter: Att förklara vad datan säger så att människor förstår den och agerar på den.
Affärspåverkan och partnerskap: Att förstå hur verksamheten fungerar och se till att analysen ändrar vad människor gör.
Mentorskap och teamutveckling: Att hjälpa andra analytiker och dataanvändare att bli bättre och göra teamet starkare.

Dataanalytiker: förväntningar per kompetens och nivå
Kompetens	Junior dataanalytiker	Dataanalytiker	Senior dataanalytiker	Lead dataanalytiker	Principal dataanalytiker
Problemformulering	Formulerar om varje förfrågan skriftligt innan hen börjar, bekräftar vilken tidsperiod, vilket segment och vilken definition det gäller och frågar vilket beslut svaret ska ligga till grund för.	Gör om vaga frågor som ”varför ökar churn?” till en kort analysplan med hypoteser, och säger emot när en förfrågan inte skulle ändra något beslut.	Formulerar om intressenternas frågor utifrån det beslut som faktiskt behöver fattas, och föreslår analyser som ingen har bett om när de skulle ändra en prioritering.	Sätter analysagendan med funktionscheferna varje kvartal, väljer de få frågor som är mest värda att besvara och förklarar vad som inte kommer att analyseras och varför.	Identifierar de frågor om verksamheten som ledningsgruppen borde ställa, och ser till att företaget har data för att besvara dem innan de blir akuta.
Datauttag och datamodellering	Skriver läsbar SQL med joins, aggregeringar och fönsterfunktioner, kontrollerar antal rader och dubbletter innan hen litar på ett resultat och ber om granskning för obekanta tabeller.	Känner tabellerna i sitt område och deras egenheter, bygger återanvändbara modeller eller vyer i stället för att kopiera SQL-frågor och dokumenterar logiken bakom varje dashboard hen äger.	Utformar datamodellerna för ett verksamhetsområde så att vanliga frågeställningar kräver enkla SQL-frågor, granskar andra analytikers logik och arbetar med utvecklarna för att rätta spårningen vid källan.	Definierar konventioner för modellering i hela analyskodbasen, avgör vad som hör hemma i gemensamma modeller och vad som är engångsanalys, och planerar arbetet med att avveckla bräckliga pipelines.	Formar den övergripande dataarkitekturen tillsammans med utvecklingsledningen och väljer var analysfunktionen ska investera så att de viktigaste frågorna förblir billiga och snabba att besvara.
Statistisk stringens och experiment	Jämför lika med lika, anger urvalsstorlek och säsongsvariation i varje resultat och flaggar när en skillnad kan vara brus i stället för att presentera den som ett fynd.	Analyserar A/B-tester från början till slut, inklusive urvalsstorlek, körtid och skyddsmätetal, och förklarar säkerhet och osäkerhet med enkla ord.	Väljer en försvarbar metod när ett randomiserat test är omöjligt – difference-in-differences mot ett jämförbart segment, en avbruten tidsserie eller en matchad jämförelse – och redovisar öppet dess antaganden och begränsningar.	Sätter företagets standarder för experiment – när man ska testa, hur länge ett test ska pågå, hur man avgör ett resultat – och granskar analyser där mycket står på spel innan de når ledningen.	Bestämmer hur företaget hanterar belägg i sina största beslut, väger stringens mot tempo och är sista granskare för analyser som ändrar strategin.
Datakvalitet och definitioner av mätetal	Stämmer av nya siffror mot en befintlig källa innan hen delar dem, och rapporterar trasig data eller misstänkta fall till ägaren samma dag.	Äger korrektheten i dashboards inom sitt område, lägger till enkla kontroller som fångar trasig data innan intressenterna gör det och skriver ner varje definition av ett mätetal som hen inför.	Löser motstridiga versioner av samma mätetal mellan team, kommer överens om en definition med dem som använder det och avvecklar de rapporter som motsäger den.	Driver företagets katalog över mätetal och processen för att ändra en definition, och gör dataincidenter synliga med en ägare och en åtgärd.	Ansvarar för att siffrorna som rapporteras till ledningen, investerare eller styrelsen går att lita på, och bygger de kontroller som håller dem konsekventa när företaget växer.
Att kommunicera insikter	Presenterar resultat med ett tydligt diagram, en slutsats på en rad och de förbehåll som spelar roll, och håller dashboards märkta så att andra kan läsa dem utan hjälp.	Skriver korta analyssammanfattningar som börjar med svaret och rekommendationen, anpassar detaljnivån efter mottagarna och bygger dashboards som besvarar en bestämd uppsättning frågor.	Berättar historien bakom komplexa analyser för seniora intressenter, bemöter ifrågasättanden av siffrorna lugnt och gör om fynd till förslag som teamet kan agera på.	Presenterar regelbundet för ledningen, sätter standarden för hur analyser skrivs i hela företaget och ser till att viktiga fynd når alla som berörs.	Formar hur företaget talar om sina resultat, från ledningens genomgångar till rapporter till investerare, så att alla läser samma siffror på samma sätt.
Affärspåverkan och partnerskap	Lär sig hur teamet hen stöder tjänar pengar eller skapar värde, och följer upp efter en förfrågan för att ta reda på om svaret användes.	Är en betrodd partner för ett team, deltar i dess planering och kan nämna beslut under det senaste kvartalet som ändrades tack vare hens arbete.	Påverkar prioriteringar i flera team, kopplar analyser till intäkter, kostnader eller kundlojalitet och stoppar arbete som inte längre är värt att göra.	Arbetar med funktionscheferna kring mål, och ser till att analyskapaciteten läggs där den ändrar de viktigaste besluten.	Arbetar med ledningsgruppen med strategi och planering, och kan peka på beslut på företagsnivå under det senaste året – prissättning, inträde på nya marknader, stora investeringar – som ändrades tack vare analysarbetet.
Mentorskap och teamutveckling	Ber om feedback på sina SQL-frågor och sammanfattningar, tillämpar den och delar användbara knep och fallgropar med teamet.	Granskar andra analytikers arbete med konkreta kommentarer, hjälper nyanställda att lära sig datan i sitt område och svarar tålmodigt på kollegornas datafrågor.	Är mentor för juniora analytiker, håller kod- och analysgranskningar och lär icke-analytiker att själva besvara enkla frågor med självbetjäningsverktyg.	Utvecklar flera analytiker mot nästa nivå, formar rekrytering och intervjuer för analysteamet och bygger den introduktion och dokumentation som nya analytiker förlitar sig på.	Bygger företagets datakultur, utvecklar framtida ledare inom analys och argumenterar för hur datateamet ska organiseras när företaget växer.

Skrolla tabellen i sidled för att se alla nivåer.

Ladda ner som CSV Öppnas i Excel, Google Sheets eller Numbers.

Junior dataanalytiker: vad som förväntas

Besvarar väl avgränsade frågeställningar med pålitliga SQL-frågor och tydliga diagram, granskad av en mer erfaren analytiker. Enskilda förfrågningar och återkommande rapporter för ett team, oftast avgränsade av någon annan.

Problemformulering: Formulerar om varje förfrågan skriftligt innan hen börjar, bekräftar vilken tidsperiod, vilket segment och vilken definition det gäller och frågar vilket beslut svaret ska ligga till grund för.
Datauttag och datamodellering: Skriver läsbar SQL med joins, aggregeringar och fönsterfunktioner, kontrollerar antal rader och dubbletter innan hen litar på ett resultat och ber om granskning för obekanta tabeller.
Statistisk stringens och experiment: Jämför lika med lika, anger urvalsstorlek och säsongsvariation i varje resultat och flaggar när en skillnad kan vara brus i stället för att presentera den som ett fynd.
Datakvalitet och definitioner av mätetal: Stämmer av nya siffror mot en befintlig källa innan hen delar dem, och rapporterar trasig data eller misstänkta fall till ägaren samma dag.
Att kommunicera insikter: Presenterar resultat med ett tydligt diagram, en slutsats på en rad och de förbehåll som spelar roll, och håller dashboards märkta så att andra kan läsa dem utan hjälp.
Affärspåverkan och partnerskap: Lär sig hur teamet hen stöder tjänar pengar eller skapar värde, och följer upp efter en förfrågan för att ta reda på om svaret användes.
Mentorskap och teamutveckling: Ber om feedback på sina SQL-frågor och sammanfattningar, tillämpar den och delar användbara knep och fallgropar med teamet.

Dataanalytiker: vad som förväntas

Äger analyser från början till slut, från en vag fråga till en rekommendation, och är den självklara analytikern för ett område. Ett verksamhetsområde, som onboarding, prissättning eller säljtratten, med dess dashboards och återkommande frågor.

Problemformulering: Gör om vaga frågor som ”varför ökar churn?” till en kort analysplan med hypoteser, och säger emot när en förfrågan inte skulle ändra något beslut.
Datauttag och datamodellering: Känner tabellerna i sitt område och deras egenheter, bygger återanvändbara modeller eller vyer i stället för att kopiera SQL-frågor och dokumenterar logiken bakom varje dashboard hen äger.
Statistisk stringens och experiment: Analyserar A/B-tester från början till slut, inklusive urvalsstorlek, körtid och skyddsmätetal, och förklarar säkerhet och osäkerhet med enkla ord.
Datakvalitet och definitioner av mätetal: Äger korrektheten i dashboards inom sitt område, lägger till enkla kontroller som fångar trasig data innan intressenterna gör det och skriver ner varje definition av ett mätetal som hen inför.
Att kommunicera insikter: Skriver korta analyssammanfattningar som börjar med svaret och rekommendationen, anpassar detaljnivån efter mottagarna och bygger dashboards som besvarar en bestämd uppsättning frågor.
Affärspåverkan och partnerskap: Är en betrodd partner för ett team, deltar i dess planering och kan nämna beslut under det senaste kvartalet som ändrades tack vare hens arbete.
Mentorskap och teamutveckling: Granskar andra analytikers arbete med konkreta kommentarer, hjälper nyanställda att lära sig datan i sitt område och svarar tålmodigt på kollegornas datafrågor.

Senior dataanalytiker: vad som förväntas

Leder analyserna bakom viktiga beslut och höjer kvaliteten på analysarbetet runt sig. Flera verksamhetsområden eller ett stort initiativ i företaget, och de definitioner av mätetal som de bygger på.

Problemformulering: Formulerar om intressenternas frågor utifrån det beslut som faktiskt behöver fattas, och föreslår analyser som ingen har bett om när de skulle ändra en prioritering.
Datauttag och datamodellering: Utformar datamodellerna för ett verksamhetsområde så att vanliga frågeställningar kräver enkla SQL-frågor, granskar andra analytikers logik och arbetar med utvecklarna för att rätta spårningen vid källan.
Statistisk stringens och experiment: Väljer en försvarbar metod när ett randomiserat test är omöjligt – difference-in-differences mot ett jämförbart segment, en avbruten tidsserie eller en matchad jämförelse – och redovisar öppet dess antaganden och begränsningar.
Datakvalitet och definitioner av mätetal: Löser motstridiga versioner av samma mätetal mellan team, kommer överens om en definition med dem som använder det och avvecklar de rapporter som motsäger den.
Att kommunicera insikter: Berättar historien bakom komplexa analyser för seniora intressenter, bemöter ifrågasättanden av siffrorna lugnt och gör om fynd till förslag som teamet kan agera på.
Affärspåverkan och partnerskap: Påverkar prioriteringar i flera team, kopplar analyser till intäkter, kostnader eller kundlojalitet och stoppar arbete som inte längre är värt att göra.
Mentorskap och teamutveckling: Är mentor för juniora analytiker, håller kod- och analysgranskningar och lär icke-analytiker att själva besvara enkla frågor med självbetjäningsverktyg.

Lead dataanalytiker: vad som förväntas

Formar hur företaget använder data i olika funktioner och sätter de standarder som andra analytiker arbetar efter. Analys i flera funktioner, inklusive gemensamma mätetal, datamodeller och analysens roadmap.

Problemformulering: Sätter analysagendan med funktionscheferna varje kvartal, väljer de få frågor som är mest värda att besvara och förklarar vad som inte kommer att analyseras och varför.
Datauttag och datamodellering: Definierar konventioner för modellering i hela analyskodbasen, avgör vad som hör hemma i gemensamma modeller och vad som är engångsanalys, och planerar arbetet med att avveckla bräckliga pipelines.
Statistisk stringens och experiment: Sätter företagets standarder för experiment – när man ska testa, hur länge ett test ska pågå, hur man avgör ett resultat – och granskar analyser där mycket står på spel innan de når ledningen.
Datakvalitet och definitioner av mätetal: Driver företagets katalog över mätetal och processen för att ändra en definition, och gör dataincidenter synliga med en ägare och en åtgärd.
Att kommunicera insikter: Presenterar regelbundet för ledningen, sätter standarden för hur analyser skrivs i hela företaget och ser till att viktiga fynd når alla som berörs.
Affärspåverkan och partnerskap: Arbetar med funktionscheferna kring mål, och ser till att analyskapaciteten läggs där den ändrar de viktigaste besluten.
Mentorskap och teamutveckling: Utvecklar flera analytiker mot nästa nivå, formar rekrytering och intervjuer för analysteamet och bygger den introduktion och dokumentation som nya analytiker förlitar sig på.

Principal dataanalytiker: vad som förväntas

Bestämmer hur företaget mäter sig självt och ansvarar för att ledningen kan lita på dess siffror. Företagets viktigaste mätetal, dess förhållningssätt till experiment och analysstrategin för de närmaste åren.

Problemformulering: Identifierar de frågor om verksamheten som ledningsgruppen borde ställa, och ser till att företaget har data för att besvara dem innan de blir akuta.
Datauttag och datamodellering: Formar den övergripande dataarkitekturen tillsammans med utvecklingsledningen och väljer var analysfunktionen ska investera så att de viktigaste frågorna förblir billiga och snabba att besvara.
Statistisk stringens och experiment: Bestämmer hur företaget hanterar belägg i sina största beslut, väger stringens mot tempo och är sista granskare för analyser som ändrar strategin.
Datakvalitet och definitioner av mätetal: Ansvarar för att siffrorna som rapporteras till ledningen, investerare eller styrelsen går att lita på, och bygger de kontroller som håller dem konsekventa när företaget växer.
Att kommunicera insikter: Formar hur företaget talar om sina resultat, från ledningens genomgångar till rapporter till investerare, så att alla läser samma siffror på samma sätt.
Affärspåverkan och partnerskap: Arbetar med ledningsgruppen med strategi och planering, och kan peka på beslut på företagsnivå under det senaste året – prissättning, inträde på nya marknader, stora investeringar – som ändrades tack vare analysarbetet.
Mentorskap och teamutveckling: Bygger företagets datakultur, utvecklar framtida ledare inom analys och argumenterar för hur datateamet ska organiseras när företaget växer.

Så anpassar du den här karriärstegen

Anpassa den efter ditt analysteam
Med en eller två analytiker behöver du troligen tre nivåer, inte fem. Hoppa över Lead och Principal tills någon på riktigt sätter standarder för flera funktioner, och lägg till dem när det arbetet finns – inte som en belöning. I de flesta företag av den här storleken hör Principal-nivåns ansvar till en Head of Data eller Head of Analytics; använd nivån bara om du vill ha en senior specialist vid sidan av den personen.
Bestäm var analytics engineering hör hemma
Om du har analytics engineers eller data engineers som äger modellerna, gör raden Datauttag och datamodellering lättare och raden Problemformulering tyngre. Om dina analytiker äger hela stacken, behåll raden som den är och nämn dina verktyg i den.
Spegla om analytikerna sitter i teamen eller centralt
Analytiker som sitter i teamen bedöms mest utifrån besluten i det team de sitter med; ett centralt team bedöms mer utifrån gemensamma mätetal och standarder. Vikta raderna Affärspåverkan och Datakvalitet efter hur ditt team faktiskt är organiserat.
Samla belägg från verkliga analyser
Be analytikerna länka till sammanfattningarna, dashboards och modellerna bakom varje påstående i självskattningen, plus det beslut som vart och ett låg till grund för. Det gör avstämningarna till ett samtal om verkligt arbete i stället för en lista över inlärda verktyg.

Vanliga frågor

Frågor om den här karriärstegen

Vad är skillnaden mellan en dataanalytiker och en data scientist i en karriärstege?

En dataanalytiker hjälper människor att fatta beslut genom att hitta, kontrollera och förklara vad datan säger. En data scientist bygger främst statistiska modeller eller maskininlärningsmodeller som blir en del av produkten eller verksamheten. I mindre företag överlappar rollerna, men de växer åt olika håll, så ge dem separata karriärstegar eller separata karriärspår. I vissa företag är ”data scientist” helt enkelt titeln för analytiker som fokuserar på experiment.

Hur många nivåer bör en karriärstege för dataanalytiker ha?

För ett företag med 20–200 anställda tre till fem. De flesta små team behöver Junior, Dataanalytiker och Senior; Lead och Principal blir meningsfulla först när analysfunktionen stöder flera funktioner och någon sätter standarder för dem alla.

Behöver en senior dataanalytiker kunna Python, eller räcker SQL?

Den här karriärstegen knyter medvetet inte nivåer till språk. Många utmärkta seniora analytiker arbetar mest i SQL och ett BI-verktyg. Det som skiljer nivåerna åt är kvaliteten på frågorna, stringensen i analysen och de beslut den ändrar – lägg bara till ett krav på ett verktyg om ditt team verkligen inte klarar sig utan det.

Hur visar man en dataanalytikers påverkan i ett underlag för befordran?

Peka på beslut, inte dashboards. Lista för varje kompetens på målnivån två eller tre analyser med frågan, metoden, rekommendationen och vad som hände sedan. En intressent som bekräftar att ett beslut ändrades är starkare belägg än antalet byggda rapporter.

Kan en dataanalytiker fortsätta växa utan att bli analyschef?

Ja. Lead och Principal är specialistnivåer: de växer i ansvar och inflytande över hur företaget använder data, utan att leda personal. Att leda analysteamet är ett separat jobb med en egen karriärstege, och steget dit bör vara ett byte av spår snarare än den enda vägen uppåt.

Bygg den här karriärstegen i LadderKit – gratis

Lägg upp dess nivåer och färdigheter för ditt team, bedöm folk mot dem i avstämningar och håll besluten om befordran konsekventa.

Börja gratis Utforska demon Ingen registrering